Il paper propone di estrarre preferenze dal dialogo per costruire grafi personali senza sorveglianza
Per quattordici anni abbiamo pensato che il centro del mondo fosse un database a Mountain View. Dal maggio 2012, quando Amit Singhal presentò il Knowledge Graph — «cose, non stringhe» era il titolo del post — Google ha costruito la più grande mappa di entità e relazioni mai realizzata. Milioni di nodi, miliardi di connessioni. Tutto in un unico posto, aggiornato da un unico proprietario. Lo scorso 2 luglio, un paper apparso su arXiv suggerisce che quel centro potrebbe non servire più. La conoscenza più rilevante, sostengono gli autori, non è quella che esce da un database globale. È quella che emerge dalle tue conversazioni.
Il grafo della conoscenza: da Google al tuo telefono
Il contrasto è quasi paradossale. Nel 2012 Google ci spiegava che il futuro della ricerca era capire le cose, non solo indicizzare parole. Il Knowledge Graph prometteva di distinguere Parigi dalla pricipessa troiana, di sapere che Taj Mahal è un monumento, un musicista e un ristorante indiano. Per farlo serviva un database immenso, centralizzato, curato. Serviva Wikidata, servivano ingegneri, serviva una potenza di calcolo che solo poche aziende al mondo potevano permettersi.
Il documento presentato lo scorso 18 aprile da ricercatori legati a Microsoft Research Montréal, MILA e Polytechnique Montréal rovescia quella logica. Non un grafo per tutti, ma tanti piccoli grafi di conoscenza personali — Personal Knowledge Graph, li chiamano. Non costruiti setacciando miliardi di pagine web, ma estraendo preferenze direttamente dal dialogo in linguaggio naturale. La domanda che resta aperta è come si passi da un database globale a un grafo che sta nel telefono. La risposta è in quelle stesse pagine.
Perché i modelli piccoli vincono sulla privacy
Gli autori del paper non si limitano a proporre un’architettura. Fanno una cosa più concreta: valutano modelli basati su Qwen e Gemma nell’estrarre triple RDF conformi — soggetto, predicato, oggetto — collegate a identificatori Wikidata. In pratica, prendono una conversazione, la passano a un modello linguistico leggero e misurano quanto bene quel modello riesca a trasformare frasi come «mi piace il cinema francese degli anni Sessanta» in un dato strutturato che un sistema di raccomandazione può usare. I risultati sono sorprendenti: alcuni modelli hanno mostrato prestazioni elevate a valle — cioè nella qualità delle raccomandazioni finali — proporzionali alle loro prestazioni di estrazione delle triple.
Qui sta la provocazione vera. Non servono modelli da centinaia di miliardi di parametri. Non serve un’infrastruttura di logging centrale. Non serve tracciare ogni clic di un utente per mesi. Le restrizioni sulla privacy e i limiti infrastrutturali, scrivono i ricercatori, impediscono a molte piattaforme di raccogliere dati comportamentali dettagliati o di mantenere identificatori persistenti. È un vincolo che diventa opportunità: se estrai le preferenze direttamente dal dialogo, puoi costruire un grafo di conoscenza personale senza sorveglianza permanente. Il modello gira sul dispositivo, il grafo resta lì, le raccomandazioni si generano localmente. Non è un’idea nuova — già NeurIPS 2018 aveva visto contributi su temi simili — ma qui arriva con numeri alla mano su modelli che chiunque può scaricare.
È una tesi che ha implicazioni pratiche immediate. I sistemi di raccomandazione centralizzati crollano quando mancano i dati. I grafi personali no, perché si nutrono di conversazioni. E le conversazioni, a differenza dei log di navigazione, sono un dato che l’utente produce naturalmente, senza accorgersene. La domanda successiva è cosa succede alla visibilità dei contenuti quando la scoperta non passa più da un ranking globale.
Se il grafo è tuo, chi controlla la visibilità?
Per chi pubblica contenuti online, la posta in gioco è chiara. Non si tratta più di capire come apparire in cima a Google. Si tratta di capire come entrare nel grafo personale di ciascun utente. E un grafo personale non risponde a criteri di autorità globale o a metriche di link building. Risponde alla pertinenza rispetto alla conversazione che quell’utente sta avendo in quel momento. La visibilità si frammenta, si personalizza, sfugge a qualsiasi tentativo di ottimizzazione centralizzata.
I motori di ricerca e i sistemi di raccomandazione hanno sempre funzionato su un patto implicito: tu mi dai i dati, io ti do risultati migliori. Quel patto sta cambiando. Se il grafo se lo costruisce il telefono, il ruolo di chi aggrega contenuti si ridimensiona. Resta la necessità di produrre contenuti che siano davvero utili, davvero pertinenti, davvero capaci di rispondere a una domanda specifica. Ma scompare la possibilità di giocare con le regole di un algoritmo uguale per tutti.
La conoscenza si frammenta. E chi pubblica dovrà smettere di parlare al mondo e iniziare a parlare a ciascuno di noi.
